Рекомендательные системы.

Люди против машин.

Где?

Зачем?

Как?

Данные. Типы рекомендаций

Сессии

Источник трафика

Просмотренные товары

Поисковые запросы

Время на сайте

Страницы сайта

Профиль

Гео

Персонализующие данные (размеры и т.

п.)

Каталог

Категории

Характеристики

Цены

Маржа

Доступность

Действия

Покупка

Добавление в корзину

Добавление в wish-list

А большие ли данные?

Магазин из ТОП 100 • 100хN тыс. уникальных посетителей в день• 10хN тыс. оформленных заказов в день• 50000 – 1000000 товаров в БД• 6 - Среднее кол-во просмотренных одним посетителем страниц• 10 – примерное кол-во данных собираемых при посещении

пользователем каждой страницы

Трафик

Каталог/ = ?

Проблема свежести данных

Проблема скорости выдачи

Инстанс 1

Crossss DB

r

Приложение Crossss

Load Balancer

WS

Amazon SES

Backup and long-term data

Amazon S3

Инстанс 0

Crossss DB

Приложение CrossssWS

Инстанс N

Crossss DB

Приложение CrossssWS

БД Статистики

Cluster

Сервер ЛК

Приложение Crossss ЛКWS

Сервер статистики и заданий

Задания

Сервер визуальных рекомендаций

Приложение визуальных

рекомендаций

Visual DB

Преднасчитанные рекомендации

NOSQL DB

Дополнительные данные для анализа

Персонализация контента (сортировка поисковой выдачи)

Типичная выдача каталога с произвольной сортировкойИли с сортировкой по цене

Каталог, отсортированный по интересам пользователя

Персонализации писем и других каналов взаимодействия

По магазинам со стандартными почтовыми сериями crossss (октябрь):

• Open Rate 50.1%±2.5% (среднее отклонение)• CTR в открытые письма 43.6%±8.5% (среднее

отклонение)• Конверсия по каналу почтового ретаргетинга

колеблется от 4% до 65% (без учета многоканальной атрибуции, first cookie wins)

Несколько секретовСекрет 1. Как определить, что искал пользователь без поискового запроса

Приземлились на каталог

Приземлились на товар

Секрет 2. Отсутствующие товары – источник прибыли

Секрет 3. Использование информации о том, как пользователи взаимодействуют с рекомендациями.

Секрет 4. Цикл покупки. Конвертация покупателя в подписчика

осознание проблемы

поиск информации

сравнение решенийпокупка

поведение после

покупки

• Определить с помощью BigData, купит или нет в текущей сессии посетитель

• Если все равно не купит, то постараться конвертировать его в email

Секрет 5. Метаалгоритм

Выбор алгоритм

ов-кандидатов по м

агазину и куки (система

постоянного A/B/N

тестирования)

Алгоритм 1

Алгоритм 2

Алгоритм 3

Алгоритм N

Алгоритм …

●●●

Бизнес-логика ранжирования и

фильтрации реком

ендаций

Сильно ли алгоритмы влияют на эффективность рекомендацийТекст заголовка Размещение блока на странице

А/Б тест:CTR Заголовок

0,029 8 недавно купленных товаров0,031 Вам рекомендуют0,032 8 товаров, которые вам понадобятся в этом месяце0,036 8 похожих товаров0,036 Смотревшие этот товар купили:0,038 8 товаров, которые тоже понадобятся0,039 8 товаров для сравнения0,040 8 товаров, которые вас заинтересуют0,054 Что может понадобиться во время кризиса?0,069 8 товаров, без которых у вас могут появиться проблемы

Вас также может заинтересовать Обратите внимание на С этим товаром часто покупаютВозможно, Вас заинтересует Покупатели рекомендуют С этими товарами покупают

Выгодные предложения Популярные товарыСмотревшие этот товар интересуются

Дополнительные рекомендацииПохожие более дешевые товары Смотревшие этот товар купили

Купите прямо сейчас Похожие товары в наличии Сравните еще сЛидер продаж Похожие товары Товары в корзинеЛидеры продаж Рекомендаций не найдено Товары которые подешевелиМы рекомендуем Рекомендуем Товары которые подорожалиНедавно в этой категории покупали Рекомендуемые товары Товары нашего магазинаНедавно просмотренные товары С этим товаром покупают Хиты продаж

АБ и ААБ тестирование

«Чистая математика» против «Грязных рук» маркетологов

antonym2001malkov@crossss.com

АнтонМальков